Deepar, контрольований алгоритм навчання для прогнозування скалярних часових рядів за допомогою періодичних нейронних мереж, в першу чергу пропонується Amazon через свою платформу AI Sagemaker. Цей алгоритм перевершує при застосуванні до наборів даних, що складаються з багатьох споріднених часових рядів, використовуючи єдину модель, навчену в цих серіях, щоб перевершити традиційні методи, такі як Arima або експоненціальне згладжування. Він може бути використаний для створення прогнозів для нових часових рядів, які поділяють схожість з даними навчання, і підтримує додаткові статичні категоричні особливості та динамічні функції, залежні від часу, для більш нюансованого моделювання. Sagemaker AI дозволяє тренувати Deepar моделі як для процесора, так і для екземплярів GPU, хоча висновок підтримує лише екземпляри процесора. Моделі можуть бути масштабними для більших екземплярів або кластерів для ефективного обробки складних або великих наборів даних.
Що стосується використання Deepar з хмарними сервісами за межами AWS, таких як Google Cloud або Microsoft Azure, на цих платформах не існує прямого сервісу, як Deepar на цих платформах, схожих на пропозицію AWS Sagemaker AI. Однак хмарна екосистема Google включає широкі засоби машинного навчання та обробки даних, які потенційно можуть реалізувати моделі, подібні до Deepar за допомогою спеціальних розробки. Наприклад, Google Cloud Platform (GCP) пропонує інтеграцію з TensorFlow, рамкою машинного навчання з відкритим кодом, популярними для моделей глибокого навчання, таких як періодичні нейронні мережі. TensorFlow може бути використаний для відтворення глибокоподібних моделей прогнозування, використовуючи AI та послуги AI та машинного навчання GCP, такі як платформа AI, BigQuery ML або спеціальні трубопроводи, оркестровані за допомогою потоку даних або вершини AI.
Microsoft Azure також надає широкий набір послуг AI та машинного навчання, що підтримують періодичні нейронні мережі та прогнозування часових рядів. Azure Machine Learning дозволяє користувачам розробляти власні моделі за допомогою рамок, таких як TensorFlow або Pytorch, що дозволяє побудувати глибоко еквівалентні моделі. Екосистема AI Azure може інтегруватися зі своїми послугами зберігання та обробки даних, такими як аналітика Azure Synapse та Azure Databricks для всебічного управління даними, підготовки та прогнозування. Масштабованість Azure та гібридна хмарна підтримка сприяють розгортанням таких моделей у різних підприємницьких умовах.
Deepar за своєю суттю - це підхід до досліджень та впровадження, опублікований та функціоналізований Amazon, але не власною технологією, обмеженою суворо до AWS. Принципи архітектури та навчання моделі досить відкриті для реплікації на інших хмарних платформах з правильним досвідом та ресурсами. Інфраструктура машинного навчання Google, включаючи ресурси Tensorflow та TPU, може живити подібні глибокі авторегресивні моделі для прогнозування часових рядів, тоді як Microsoft Azure пропонує основоположні послуги для побудови, навчання та розгортання таких моделей у своїй екосистемі. Таким чином, хоча не існує поза коробкою Deepar Service поза SageMaker AWS, і Google Cloud, і Microsoft Azure пропонують необхідні компоненти для впровадження глибокоподібних робочих процесів, пристосованих до конкретних потреб прогнозування.
Крім того, дослідження навколо Deepar включає гібридні рамки виконання, що використовують край, пристрій та хмарні обчислення. Ці рамки розглядають розподіл виконання нейронної мережі на пристроях та хмарних ресурсах для оптимізації продуктивності, що дозволяє інтеграцію в багаторазові або гібридні хмарні середовища. Такі підходи добре відповідають масштабованим, розподіленим можливостям як Google Cloud, так і Microsoft Azure, особливо для додатків Edge-Cloud у промислових IoT або мобільних сценаріях.
На закінчення Deepar як торговельна марка або упакована послуга наразі доступна безпосередньо на AI Sagemaker AI. Тим не менш, його основна методологія глибокого авторегресивного прогнозування може бути реалізована за допомогою сервісів машинного навчання Google Cloud або Microsoft Azure, будуючи спеціальні моделі, використовуючи TensorFlow або інші рамки глибокого навчання та використовуючи дані цих хмарних постачальників та інфраструктуру AI. Такий підхід вимагає експертизи інженерії ML, але пропонує повну гнучкість та можливості інтеграції в цих хмарних середовищах, підтримуючи складні рішення прогнозування часових рядів, схожих на Deepar.
Використовувані посилання:- Деталі документації Amazon Sagemaker Deepar та алгоритм
- можливості та моделей інтеграції Google Cloud AI та машинного навчання та інтеграції
- Порівняння та інформація про послуги AI Cloud Platform, включаючи Azure
- Дослідницька література, що описує Deepar методологію та гібридні рамки виконання хмари